不要考虑字符串中的短语

Question

背景如下：

• 我正在将URL (不管有没有协议和www)转换成可点击的链接。
• 我用http、https、ftp、file、www和http/https与www的一些组合来实现URL的正则表达式。
• 我还让regex为URL工作，只有www而没有协议。

但是，我无法找到一个用于查找没有协议和没有服务器名称(www)的URL的工作机制。

我在(http://gskinner.com/RegExr/)中尝试了以下内容

 ([^www\.|http\:// ][a-zA-Z0-9\.]+)((?:[a-zA-Z0-9]+\.)+)([a-zA-Z]{2,4})([\/a-zA-Z0-9]+)([\?][a-zA-Z0-9]+)?

但这似乎只适用于该网站，而不适用于我的申请。任何帮助都是非常感谢的。

Answer 1

好吧，你可能不会太喜欢这个答案--但也许你会喜欢？我有一个正则表达式(改编自)，它似乎能在文本中找到URL。您可以看到一个演示关于regex101.com。

实际表达式非常长--这是因为它包含“所有合法的TLD (顶级域)”，这是查找“好”URL的良好开端。

((?:(?:http|ftp|https):\/{2}){0,1}(?:(?:[0-9a-z_-]+\.)+(?:aero|asia|biz|cat|com|coop|edu|gov|info|int|jobs|mil|mobi|museum|name|net|org|pro|tel|travel|ac|ad|ae|af|ag|ai|al|am|an|ao|aq|ar|as|at|au|aw|ax|az|ba|bb|bd|be|bf|bg|bh|bi|bj|bm|bn|bo|br|bs|bt|bv|bw|by|bz|ca|cc|cd|cf|cg|ch|ci|ck|cl|cm|cn|co|cr|cu|cv|cx|cy|cz|cz|de|dj|dk|dm|do|dz|ec|ee|eg|er|es|et|eu|fi|fj|fk|fm|fo|fr|ga|gb|gd|ge|gf|gg|gh|gi|gl|gm|gn|gp|gq|gr|gs|gt|gu|gw|gy|hk|hm|hn|hr|ht|hu|id|ie|il|im|in|io|iq|ir|is|it|je|jm|jo|jp|ke|kg|kh|ki|km|kn|kp|kr|kw|ky|kz|la|lb|lc|li|lk|lr|ls|lt|lu|lv|ly|ma|mc|md|me|mg|mh|mk|ml|mn|mn|mo|mp|mr|ms|mt|mu|mv|mw|mx|my|mz|na|nc|ne|nf|ng|ni|nl|no|np|nr|nu|nz|nom|pa|pe|pf|pg|ph|pk|pl|pm|pn|pr|ps|pt|pw|py|qa|re|ra|rs|ru|rw|sa|sb|sc|sd|se|sg|sh|si|sj|sj|sk|sl|sm|sn|so|sr|st|su|sv|sy|sz|tc|td|tf|tg|th|tj|tk|tl|tm|tn|to|tp|tr|tt|tv|tw|tz|ua|ug|uk|us|uy|uz|va|vc|ve|vg|vi|vn|vu|wf|ws|ye|yt|yu|za|zm|zw|arpa)(?::[0-9]+)?(?:(?:\/(?:[~0-9a-zA-Z\#\+\%@\.\/_-]+))?(?:\?[0-9a-zA-Z\+\%@\/&\[\];=_-]+)?)?))

正如您所看到的，这个表达式的绝大多数都是使用的，确保TLD是众多合法的(270种备选方案之一)之一。我不知道有这么多，直到我偶然发现http://mathiasbynens.be/demo/url-regex，在那里我发现了这个表达的种子)。

我对我在上面的链接中找到的表达式所做的修改--大多数情况下，我只是让所有的组(除了外部的组)都没有捕获，所以只有一个“匹配”。在我发布的示例中，我展示了捕获中将包含一个“好”协议定义(如http://)，而“坏”协议定义(如http:/)将被忽略-然而，下面的URL仍将被捕获。我还显示，在表达式后面添加标点符号(用;和!测试)并不会分阶段进行:它捕获的是“直到那个点”，而不是超出这个阶段。

玩它，看看你喜欢它。对于“病态”URL，它相对比较差(根据上面的链接)，也不适用于阿拉伯语等等--但基于您的问题，我不认为这将是一个问题。

简短的解释：

(?:(?:http|ftp|https):\/{2}){0,1}  

  (?:http|ftp|https)  - match one of http, ftp, or https - non capturing "OR" group
  :\/{2}              - followed by a colon and exactly two forward slashes
  (?: …){0,1}         - the whole thing zero or one times (so no protocol, or properly formed)

(?:(?:[0-9a-z_-]+\.)+ 
   [0-9a-z_-]+\.      - at least one of the characters in the given range, followed by a period
(?:  )+               - the whole thing one or more times, non-capturing

(?:aero|asia …)       - one of these strings, non-capturing (these are all the valid TLDs)
(?::[0-9]+)?          - zero or one times a colon followed by one or more digits: port specification
                      - this makes sure that www.something.us:8080 is valid

后面的所有内容都匹配所有可以跟踪的不同内容-目录、查询等。

Answer 2

@Floris --你的建议效果很好。我编辑了它一点点，并利用添加了一个@来检测电子邮件。我还编辑了一个更简单的工作流(没有TLD) -

((?:(?:http|ftp|https):\/{2}){0,1}(?:(?:[0-9a-z_@-]+\.)+(?:[0-9a-zA-Z]){2,4})(?::[0-9]+)?(?:(?:\/(?:[~0-9a-zA-Z\#\+\%\@\.\/_-]+))?(?:\?[0-9a-zA-Z\+\%@\/&\[\];=_-]+)?)?)

谢谢你的帮助。